举个例子，我们之前发现一个问题，我们筛选了一个目标『推送』的用户群，从消息发出到传达用户的手机上，其中的流失非常大。当我们把这个漏斗拆开发现，最大的流失出现在『实际下发』环节。

　　为什么有这样的问题呢？

　　我们发现，一开始我们的『推送』依赖于一家第三方服务商来覆盖全球的推送服务，很容易出现问题。

　　发现这个问题后，我们把安卓的『推送』服务换成了混合模式；海外我们会用谷歌的『推送』服务，国内则会找可以提供这样服务的大厂商。解决了这个问题后，我们发现第一个环节的转化率相比之前提高了50%。

　　从『消息到达』到『消息展示』的过程中也有很大损失。最常见的情况是安卓手机上会有管理手机应用的程序，会屏蔽『推送』消息。当时我们为了让用户有更好的体验，做了一个保护。用户在晚上12点以后不会收到『推送』消息，或者用户每天收到的『推送』数量是有限的，超出的部分会自动被吞掉。但因为我们的保护机制中的漏洞，系统自动拦截了一些消息，导致转化率降低。

　　通过上面的消息推送案例，不难发现：如果我们用的漏斗是一个很粗略的漏斗，是无法解决问题的。需要一步步解构、定位问题，然后去解决，这样才能带来有效的增长。

　　五、Testing 远不止 A 和 B

　　做增长就是要做无数的测试，在测试这方面我们是非常有经验的。在说法上虽然是 A/B Testing ，但一定不只是A和B。

　　（一）扩大测试群的重要

　　前段时间看到一篇文章，说A/B测试很多时候是产品经理的把戏，做测试的目的只是为了拿数据去说服老板，证明我这样做这个功能是对的。但我对这个观念不太认同，因为大多数情况下，很难在测试之前就有非常清晰的假设。

　　而且每一个测试都有海量的变量空间，哪怕只是一个按钮的设计，就有大小、颜色、文案等组合，而且这个变量空间是无限大，可以无限组合的。在这样的前提下，如果要把这个测试做到极致，针对这个按钮，我们需要做一百种、一千种测试，才能得到最优的方案。

　　所以做A/B测试一定是需要尽可能的扩大测试群，尽可能的把测试做得极致、完整，添加更多的变量和因素，这样能得到更好的效果。这其中最核心的是效率问题，有些公司可能连支持 A/B 两个方面的测试都很难，这的确是一个问题，但可以尽可能的去优化。

　　（二）优化测试策略

　　这里有一个案例和大家分享，如果有做海外业务或者 App 的公司，大家一定有 Facebook 广告投放的行为和经验。我们发现 Facebook 是支持无限大测试的能力的，用户可以通过各种各样的方式筛选你想要的用户、以及广告投放方式。

广告投放效果气泡图

　　这张图的横轴是成本，纵轴是收益，每个气泡圈代表了一个广告主能获取到的用户量级。其中绿色的气泡反映出我们的广告效果很好，红色则代表效果不好。我们会以这样的方式评估我们广告的效果。

　　我们会根据不同气泡的状态和位置，执行优化策略。如果在右下角的位置，atv直播，我们会停止投放。左上角的位置我们会加大投放力度。中间位置的红色气泡，我们会想办法让他跨越这条线，带来更多的价值。

　　在这套机制下，我们的一个优化师每天大概会优化几十到上百个广告，这样会降低获客成本。在有些国家，我们现在可以做到几美分获取一个用户。

　　六、数据驱动必备的三件套

　　最后做个总结，要去做数据驱动这件事，有一个必备的三件套。

　　第一点， CEO 驱动。

　　因为数据驱动是全公司的事，如果大家没有统一这样的思想是没办法驱动的，所以最核心的一定是有 CEO 的驱动。

　　第二点，验证模型。

　　这个模型不是通用的，因为会关乎我们的A/B测试，所以这个模型需要每次设计，但这个模型的好坏会直接关系到效率。我们会随时用这个模型去评估，我们做的这件事是对的还是错的。好的模型不需要等测试结束，在测试中就能看出很多东西。

　　第三点，最重要的就是工具。